Modelos de lenguaje grandes basados en ómicas: un nuevo motor para la innovación en el descubrimiento de fármacos

Área de la Ciencia:

• Informática Biomédica
• Biología Computacional
• Descubrimiento de Fármacos

Sus antecedentes:

• El descubrimiento tradicional de fármacos enfrenta baja eficiencia y alta tasa de deserción debido a la complejidad de la enfermedad.
• Las tecnologías ómicas (genómica, transcriptómica, proteómica) ofrecen información a nivel de sistema pero presentan desafíos de datos como alta dimensionalidad y ruido.
• Los modelos de lenguaje grandes (LLM) muestran una gran promesa para abordar estos desafíos de datos ómicos al capturar patrones intrincados e inferir información.

Objetivo del estudio:

• Presentar un marco para integrar LLM con datos ómicos en el descubrimiento de fármacos.
• Analizar las capacidades de los LLM para manejar los desafíos de los datos ómicos.
• Detallar las aplicaciones de LLM para descubrir mecanismos de enfermedad, identificar dianas de fármacos, predecir la respuesta a los fármacos y simular el comportamiento celular.

Principales métodos:

• Análisis de arquitecturas de LLM y paradigmas de aprendizaje para datos ómicos.
• Detalle de las aplicaciones de LLM en las principales etapas del descubrimiento de fármacos.
• Discusión de los conocimientos impulsados por LLM para el desarrollo de fármacos dirigidos a vías.

Principales resultados:

• Los LLM pueden manejar de manera efectiva la complejidad y el ruido inherentes a los conjuntos de datos ómicos.
• Las aplicaciones de LLM abarcan la elucidación de mecanismos de enfermedad, la identificación de dianas y la predicción de la respuesta a los fármacos.
• Los LLM integrados con ómicas facilitan un cambio hacia estrategias de desarrollo de fármacos centradas en vías.

Conclusiones:

• Los LLM ofrecen un enfoque poderoso para superar las limitaciones en el descubrimiento tradicional de fármacos al aprovechar los datos ómicos.
• Este marco proporciona orientación para utilizar LLM en el descubrimiento y desarrollo de fármacos impulsados por ómicas.
• La integración de LLM con datos ómicos permite estrategias terapéuticas más efectivas y biológicamente fundamentadas.